On Integrating Resilience and Human Oversight into LLM-Assisted Modeling Workflows for Digital Twins

작성자

Haebom

카테고리

Empty

저자

Lekshmi P, Neha Karanjkar

💡 개요

본 논문은 복잡한 시스템의 실행 가능한 디지털 트윈을 LLM(거대 언어 모델)을 활용하여 빠르게 구축하는 과정에서 발생하는 환각(hallucination) 문제, 인간의 감독 필요성, 실시간 모델 적응성이라는 상충되는 요구사항을 해결하기 위한 세 가지 핵심 설계 원칙을 제시합니다. 제안된 방법론은 구조 모델링과 파라미터 추론을 분리하고, 모델 중간 표현(IR)을 해석 가능하고 오류에 강하게 설계하며, 밀도 보존 IR을 사용하여 LLM 오류 누적을 최소화합니다. 이를 통해 제조 시스템 시뮬레이션 기반 디지털 트윈 구축을 위한 개방형 프레임워크인 FactoryFlow를 성공적으로 개발했습니다.

🔑 시사점 및 한계

•

LLM 기반 모델링 워크플로우에서 환각으로 인한 오류를 최소화하기 위해 구조 모델링과 파라미터 추론을 분리하는 것이 효과적입니다.

•

해석 가능하고 오류에 강한 모델 중간 표현(IR) 설계는 LLM 기반 디지털 트윈의 신뢰성과 유지보수성을 크게 향상시킵니다.

•

밀도 보존 IR, 특히 Python을 사용하는 것은 LLM의 코드 생성 능력을 활용하면서도 입력 정보 대비 출력 정보의 불필요한 팽창으로 인한 오류 축적을 방지하는 데 중요한 역할을 합니다.

•

LLM이 생성한 모델 설명의 다양한 상세 수준과 복잡성에서 발생하는 오류를 상세하게 특성화하고 IR 선택이 오류율에 미치는 영향을 분석한 것은 향후 LLM 기반 시뮬레이션 자동화 워크플로우 구축에 실질적인 지침을 제공합니다.

•

(한계점 또는 향후 과제) 실제 복잡한 제조 시스템에 대한 적용 범위를 확장하고, 실시간 데이터 스트림에서의 동적 모델 업데이트 및 적응성을 더욱 강화하는 연구가 필요합니다. 또한, 인간 감독 과정의 효율성을 높이고 LLM의 의사결정 과정을 더욱 투명하게 만드는 방안도 모색해야 합니다.

PDF 보기

Made with Slashpage